互联网的普及使用以及电子商务的发展让用户可以享受电子商务系统提供的越来越多的服务，随即而来的是信息的急剧膨胀，“信息过载”、“资源迷向”等问题相继出现，大量的信息经常会让用户无法找到自己的商品。所以，如何为用户提供快捷、准确的服务，满足用户的个人需求，逐渐成为人们关注和探索的热点。这导致传统的信息检索业务演化为个性化信息推荐系统。电子商务推荐系统不但能帮助用户找到商品，完成购买过程，还可以有效地帮助电子商务系统保留客户、提高网站的销售量。这些优势让电子商务推荐系统在这几年得到了长足而有效地发展，但是随着推荐系统进一步地普及，其应用也出现譬如数据稀疏性和推荐实时性等一系列问题。本文对电子商务推荐系统中协同过滤推荐算法的设计等关键技术进行了有效的探索和研究，取得了较好地效果。 本文首先分析了当今电子商务推荐系统的研究现状以及研究意义，对个性化推荐系统中主流的推荐算法进行了介绍，并详细讨论了基于协同过滤推荐算法的相关情况。在总结了传统推荐算法的不足之处后，针对电子商务推荐系统出现的数据稀疏性和推荐实时性等问题，提出了基于粗糙集和论域最近邻的协同过滤推荐算法，在用户评分项并集进行分析的基础上，对非目标用户分为无推荐能力的用户和有推荐能力用户两种类型，前者则直接排除不纳入相似性计算范围而后者则引入粗糙集思想，并且提出“论域最近邻”的方法对有推荐能力用户进行计算，从而推断出未评分项的预测评分。实验结果表明，此方法能够较好地降低数据稀疏性和查找实时性，从而提高推荐质量。